29.03.2024
Подписывайтесь на Telegram-канал по ссылке

Создан чип для ускоренного обучения нейросетей

ECRAM for deep learning accelerators

Инженеры из Университета Иллинойса в Урбане-Шампейне интегрировали электрохимическую оперативную память (ECRAM) с кремниевыми полупроводниками. Технология позволит ускорить глубокое обучение нейронных сетей и сократить затраты на работу систем искусственного интеллекта. Статья с исследованием опубликована в журнале Nature Electronics.

Исследователи использовали для создания памяти материалы, совместимые с современными полупроводниковыми технологиями: оксид вольфрама для затвора и канала, оксид циркония для электролита и протоны в качестве подвижных ионов. Это позволило интегрировать устройство в стандартную микроэлектронику. ECRAM — это ячейка памяти или устройство, которое использует одно и то же пространство для хранения данных и вычислений. Такая нестандартная архитектура устраняет затраты энергии на передачу данных между памятью и процессором, позволяя очень быстро и эффективно выполнять операции с интенсивным использованием данных.

Электрохимическая память кодирует информацию, перемещая мобильные ионы между воротами и каналом. Электрические импульсы, подаваемые на клемму затвора, либо вводят ионы в канал, либо вытягивают их, результирующее изменение электропроводности канала сохраняет информацию. Оно считывается путём измерения электрического тока, протекающего по каналу. Электролит между затвором и каналом предотвращает нежелательный поток ионов, позволяя памяти работать в энергонезависимом режиме.

Исследователи продемонстрировали, что созданное устройство демонстрировало высокую скорость переключения, выдерживало более 100 миллионов циклов чтения-записи и было намного эффективнее, чем стандартная технология памяти. При этом канал надёжно удерживает ионы часами, чего достаточно для обучения большинства глубоких нейронных сетей. Поскольку материалы совместимы с технологиями микропроизводства, устройства могут быть уменьшены до микро- и наноразмеров, что обеспечивает высокую плотность и вычислительную мощность.